基于小波神经网络的物联网主干光信道估计
发布时间：2021-08-07 15:41
传统的正交频分复用技术对正交性要求高且存在频谱资源的浪费,不适合大规模物联网接入5G网的应用场景,偏移正交幅度调制滤波器组多载波技术是该应用场景的一个解决方案,但该技术应用于40～100Gbps光纤主干网时存在固有干扰和光信道噪声的问题,为此提出了基于小波神经网络的物联网主干光信道估计方法。通过最小二乘法对光信道进行初步估计,基于估计的结果和布谷鸟搜索算法初始化小波神经网络的参数;通过伪逆运算动态更新网络的权重参数,从而对信道状态进行实时跟踪,保持较高的估计准确性。实验结果显示,估计方法的效果好于传统的最小二乘估计和最小均方误差估计。
【文章来源】：光学技术. 2020,46(03)北大核心CSCD
【文章页数】：7 页
【部分图文】：
滤波器组多载波系统的结构图
通常和位置(m, n)距离越远的光信号对(m, n)信号的干扰越小。为了观察相邻信号对目标信号所产生干扰的差异,考虑从1到6的邻居符号子集Ω′i,其中i=1～6。Ω′1为3×3方阵,Ω′2为5×5方阵,以此类推。图2所示是固有干扰和i的关系曲线,图中显示在i=1～3的过程中,干扰的强度明显提高,之后干扰强度几乎不变,所以主要考虑7×7的方形区域对位置(m, n)的固有干扰。观察式(4)可发现除了固有干扰,光信道也会引起信号的失真。为了还原OQAM符号的实数域,必须考虑固有失真和信道衰减、色散等因素。假设发端的前导码为d(mp,np),收端的前导码为y(mp,np),那么最小二乘对信道频率响应的估计为
小波神经网络(Wavelet Neural Networks, WNN)结合了神经网络的学习能力和小波的局部化特性。WNN分为三层,分别为:输入层、隐藏层和输出层,如图3所示。图3中x=[x1, x2, …,xn]为前一时刻从光信道接收的光信号,输入层的节点数量n等于光信道分析光纤模块(Analysis Fiber Bank, AFB)的输出数量。隐藏层的节点中嵌入小波函数作为隐藏层的非线性转移函数,根据许多研究人员的结论,Mexican Hat小波母函数适用于光学通信系统的小波滤波器[16],因此本文采用的小波函数为Mexican Hat(mexh)小波。每个隐藏层节点通过小波函数建立从输入数据到输出数据的非线性映射关系,每个隐藏层节点的连接表示为
【参考文献】：
期刊论文
[1]高速移动环境下基于深度学习的信道估计方法[J]. 廖勇,花远肖,姚海梅,杨馨怡. 电子学报. 2019(08)
[2]大数据分析技术在网络领域中的研究综述[J]. 冯贵兰,李正楠,周文刚. 计算机科学. 2019(06)
[3]相干光OFDM系统中相位噪声补偿算法的研究进展[J]. 袁建国,南蜀崇,辛雪琪. 激光杂志. 2018(10)
[4]Short Term Wind Speed Prediction Using Multiple Kernel Pseudo Inverse Neural Network[J]. S.P.Mishra,P.K.Dash. International Journal of Automation and Computing. 2018(01)
[5]基于异构导频60GHz系统的压缩感知信道估计[J]. 陈坤,赵迎新,吴虹,王晓敏,刘勇,王琦琦,唐然,慈骋. 计算机工程. 2016(04)
[6]高精度自适应小波神经网络人工智能方法探索[J]. 刘经纬,赵辉,周瑞,王普. 计算机科学与探索. 2016(08)
[7]循环前缀长度对OFDM系统性能的影响[J]. 张晓光,王艳芬. 实验室研究与探索. 2015(07)
[8]布谷鸟搜索算法研究综述[J]. 兰少峰,刘升. 计算机工程与设计. 2015(04)
[9]基于MMSE信道估计的VRVP-MQAM方法性能研究[J]. 郭淑霞,张宁,袁春娟. 红外与激光工程. 2015(02)
[10]OFDM系统中基于功率延时谱的信道估计算法[J]. 王钢,刘晓明,于迎新. 华中科技大学学报(自然科学版). 2014(02)
本文编号：3328069
【文章来源】：光学技术. 2020,46(03)北大核心CSCD
【文章页数】：7 页
【部分图文】：
滤波器组多载波系统的结构图
通常和位置(m, n)距离越远的光信号对(m, n)信号的干扰越小。为了观察相邻信号对目标信号所产生干扰的差异,考虑从1到6的邻居符号子集Ω′i,其中i=1～6。Ω′1为3×3方阵,Ω′2为5×5方阵,以此类推。图2所示是固有干扰和i的关系曲线,图中显示在i=1～3的过程中,干扰的强度明显提高,之后干扰强度几乎不变,所以主要考虑7×7的方形区域对位置(m, n)的固有干扰。观察式(4)可发现除了固有干扰,光信道也会引起信号的失真。为了还原OQAM符号的实数域,必须考虑固有失真和信道衰减、色散等因素。假设发端的前导码为d(mp,np),收端的前导码为y(mp,np),那么最小二乘对信道频率响应的估计为
小波神经网络(Wavelet Neural Networks, WNN)结合了神经网络的学习能力和小波的局部化特性。WNN分为三层,分别为:输入层、隐藏层和输出层,如图3所示。图3中x=[x1, x2, …,xn]为前一时刻从光信道接收的光信号,输入层的节点数量n等于光信道分析光纤模块(Analysis Fiber Bank, AFB)的输出数量。隐藏层的节点中嵌入小波函数作为隐藏层的非线性转移函数,根据许多研究人员的结论,Mexican Hat小波母函数适用于光学通信系统的小波滤波器[16],因此本文采用的小波函数为Mexican Hat(mexh)小波。每个隐藏层节点通过小波函数建立从输入数据到输出数据的非线性映射关系,每个隐藏层节点的连接表示为
【参考文献】：
期刊论文
[1]高速移动环境下基于深度学习的信道估计方法[J]. 廖勇,花远肖,姚海梅,杨馨怡. 电子学报. 2019(08)
[2]大数据分析技术在网络领域中的研究综述[J]. 冯贵兰,李正楠,周文刚. 计算机科学. 2019(06)
[3]相干光OFDM系统中相位噪声补偿算法的研究进展[J]. 袁建国,南蜀崇,辛雪琪. 激光杂志. 2018(10)
[4]Short Term Wind Speed Prediction Using Multiple Kernel Pseudo Inverse Neural Network[J]. S.P.Mishra,P.K.Dash. International Journal of Automation and Computing. 2018(01)
[5]基于异构导频60GHz系统的压缩感知信道估计[J]. 陈坤,赵迎新,吴虹,王晓敏,刘勇,王琦琦,唐然,慈骋. 计算机工程. 2016(04)
[6]高精度自适应小波神经网络人工智能方法探索[J]. 刘经纬,赵辉,周瑞,王普. 计算机科学与探索. 2016(08)
[7]循环前缀长度对OFDM系统性能的影响[J]. 张晓光,王艳芬. 实验室研究与探索. 2015(07)
[8]布谷鸟搜索算法研究综述[J]. 兰少峰,刘升. 计算机工程与设计. 2015(04)
[9]基于MMSE信道估计的VRVP-MQAM方法性能研究[J]. 郭淑霞,张宁,袁春娟. 红外与激光工程. 2015(02)
[10]OFDM系统中基于功率延时谱的信道估计算法[J]. 王钢,刘晓明,于迎新. 华中科技大学学报(自然科学版). 2014(02)
本文编号：3328069
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3328069.html
